| 1 |
1
에지 컴퓨팅에서 다중 AMI(Advanced Metering Infrastructure) 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법에 있어서,AMI 데이터에서 발생하는 편향된 데이터 분포도 변화를 감지하고, 이를 바탕으로 각 계산이 비교적 빠른 온라인 기울기를 에지 서버에서 계산하고, 계산 요구량이 큰 정규화된 기울기는 클라우드 서버에서 하이브리드 스케줄러에 의해 선택적으로 계산하되,상기 하이브리드 스케줄러가 (1)데이터 스트림 분포도 프로파일링 단계, (2) 메모리 버퍼 업데이트 단계, 및 (3)하이브리드 스케줄링 단계의 총 세 가지 단계를 수행하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 2 |
2
제 1항에 있어서, 상기 하이브리드 스케줄러는,상기 (1)데이터 스트림 분포도 프로파일링 단계에서, 매 스트림 배열() 마다 차원 전력 소비 AMI 데이터()을 취합된 스트림 집합 에서 코사인 유사도를 기준으로 도수 분포도를 인식하여 분포도 변화가 생기는지 확인하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 3 |
3
제 1항에 있어서, 상기 하이브리드 스케줄러는,상기 (2)메모리 버퍼 업데이트 단계에서, 분포도 변화가 생겼다고 판단될 경우 새로운 데이터 분포도를 메모리 버퍼에 저장하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 4 |
4
제 1항에 있어서, 상기 하이브리드 스케줄러는,상기 (3)하이브리드 스케줄링 단계에서, 새로운 데이터 분포도에 따른 편향된 데이터 분포도 변화 문제를 해결하기 위한 스케줄링 기법을 수행하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 5 |
5
제 1항에 있어서, 상기 하이브리드 스케줄러는,새로운 데이터 스트림이 입력되면, 에지 서버에서 온라인 기울기(Gradient)를 계산하도록 명령하고, 아울러 상기 (1)데이터 스트림 분포도 프로파일링 단계에서, 전력 소비 데이터는 모두 양수인 것을 고려하여 전력 소비를 잘 표현할 수 있는 모든 축으로부터 같은 거리에 있는 벡터 기준으로 데이터 스트림으로부터 코사인 유사도 지표를 아래의 수학식 1을 이용하여 계산하고, 또한도수 분포도를 의미하는 히스토그램 버퍼()로 이루어진 집합 을 아래의 수학식 2를 이용하여 생성하는 작업을 수행하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 6 |
6
제 1항에 있어서, 상기 하이브리드 스케줄러는,상기 (2)메모리 버퍼 업데이트 단계에서,현재 스트림 셋에 의해 편향된 분포도를 줄이기 위해 이산 균등 분포(discrete uniform distribution)의 편포도(skewness)가 0인 점을 이용하여 코사인 유사도 기반 분포도가 균등하게 분산된 집합()을 생성하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 7 |
7
제 6항에 있어서,상기 코사인 유사도 기반 분포도가 균등하게 분산된 집합()을 생성하기 위하여 선택되는 데이터들의 다양한 분포도를 유지하기 위하여, 상기 하이브리드 스케줄러는,아래의 수학식 3에 의해 각 유사도 구간 내에서 임의로 선택되는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 8 |
8
제 6항에 있어서, 상기 하이브리드 스케줄러는,상기 코사인 유사도 기반 분포도가 균등하게 분산된 집합()인 균등 분산 집과 실제 데이터를 저장하고 있는 이전 메모리 버퍼()의 코사인 유사도 분산도를 비교하여,이전 메모리 버퍼보다 상기 균등 분산 집합의 분산도가 더 큰 경우 이전 메모리 버퍼()의 데이터 셋을 아래의 수학식 4를 이용하여 균등 분산 집합으로 새롭게 업데이트하는 것을 더 포함하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 9 |
9
제 8항에 있어서, 상기 메모리 버퍼가 업데이트 됐을 경우, 상기 하이브리드 스케줄러가 기억해야 할 분포도가 더 생겼다는 것을 의미하며, 이를 나타내는 버퍼 전환 표시기()를 다음 수학식 5와 같이 설정하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
| 10 |
10
제 1항에 있어서, 상기 하이브리드 스케줄러는,상기 (3)하이브리드 스케줄링 단계에서,현재 데이터 스트림의 분포도를 고려했을 때 분포도가 더 커져서 버퍼 전환 표시기()가 1을 가리킬 경우, 클라우드 서버에서 오프라인 기울기(Gradient)를 계산하고, 에지 서버에서 계산된 온라인 기울기와 오프라인 기울기를 이용하여 정규화가 반영된 기울기(Gradient)를 계산하고, 이 계산 결과를 이용하여 모델 파라미터를 업데이트 하고, 상기 버퍼 전환 표시기()가 1이 아닌 경우에는 곧바로 에지 서버에서 계산된 온라인 기울기를 사용하여 모델 파라미터 업데이트를 수행하는 것을 특징으로 하는 에지 컴퓨팅에서 다중 AMI 데이터 스트림 가속처리를 위한 하이브리드 딥 러닝 스케줄링 방법
|
